Key points are not available for this paper at this time.
우리는 개별 치료 효과(ITE)의 민감도 분석을 위한 모델 프리 프레임워크를 제안하며, 이는 수렴 추론에서 아이디어를 바탕으로 합니다. 어떤 단위에 대해서든, 우리의 절차는 Γ-값을 보고하는데, 이는 ITE의 증거를 제거하기 위해 필요한 최소한의 혼란의 정도를 정량화하는 수치입니다. 우리의 접근법은 훈련 데이터가 혼잡한 상황에서 반사실과 ITE의 신뢰할 수 있는 예측 추론에 기반합니다. Z. Tan의 한계 민감도 모델에 따라, 우리는 관측치의 분포와 반사실의 분포 사이의 변화를 특성화합니다. 우리는 먼저 이동된 분포에서 테스트 샘플의 예측 추론을 위한 일반적인 방법을 개발한 후, 이를 활용하여 반사실에 대한 공변량 의존 예측 세트를 구성합니다. 이동 값이 무엇이든 관계없이, 이러한 예측 세트는 경향 점수가 정확히 알려져 있다면(혹은 추정되었다면) 한계 커버리지를 달성합니다. 우리는 훈련 데이터에 조건부로 커버리지를 달성하는 다른 절차를 설명합니다. 후자의 경우, 특정 예측 문제 클래스에 대해 예측 구간을 줄일 수 없다는 날카로움 결과를 증명합니다. 우리는 시뮬레이션 연구를 통해 방법의 유효성 및 성능을 검증하고, 이를 실제 데이터셋 분석에 적용합니다.
Jin et al. (목,)은 이 질문을 연구했습니다.